MERCADOS:
BTC $81,317 ▲ +4.29%
ETH $2,529 ▲ +5.04%
SOL $184 ▲ +3.57%
IA STATUS Online RELOJ --:--:-- ART
🐉 LLMs de Oriente

Huawei revoluciona a sus agentes IA: separan hechos de consejos para aprender solos

Huawei revoluciona a sus agentes IA: separan hechos de consejos para aprender solos

La plataforma de código abierto openJiuwen, impulsada por Huawei, acaba de dar un golpe de autoridad en el ecosistema de los agentes autónomos. Su nuevo framework, bautizado TTSE (Two-Track Self-Evolution o Evolución de Doble Vía), propone una solución elegante a un problema clásico de la Inteligencia Artificial: cómo aprender de la experiencia sin confundir el contexto con el procedimiento.

Según informó el medio QbitAI el 10 de noviembre, basándose en un paper de arXiv presentado el 21 de septiembre, el sistema ya está integrado en WorkSwarm, el agente de oficina de openJiuwen. La premisa toma prestada de la ciencia cognitiva la separación entre conocimiento declarativo y procedural.

Hechos versus consejos: la anatomía de TTSE

El motor de TTSE divide lo que aprende en dos categorías estancas. Por un lado, FACT registra cómo es el entorno (dónde están los archivos, el formato de los datos). Por el otro, TIP anota qué hacer bajo ciertas condiciones. Si el sistema no sabe clasificar algo, por defecto lo manda a TIP, evitando que hábitos no verificados se cristalicen como verdades absolutas.

El agente arranca con una base de reglas vacía, ejecuta una primera tanda de tareas y deduce reglas iniciales. En tandas posteriores, carga las reglas previas, identifica cuáles engañan al sistema, las retira (manteniéndolas registradas para trazabilidad), resuelve contradicciones fusionándolas en consejos condicionales y genera nuevas reglas.

Benchmarks: la contundencia de los números

El equipo probó el sistema en cinco benchmarks, con tres ejecuciones cada uno. Los resultados, extraídos del propio paper de openJiuwen, marcan una diferencia abismal:

  • ALFWorld: 97,8% de éxito con DeepSeek-V3.2, superando por 14,2 puntos al anterior líder, GraSP (83,6%). Con GLM-5 alcanzó el 98,51%.
  • ScienceWorld: el éxito nativo trepó del 53,08% al 73,46%.
  • GDPevo: el método de doble vía logró 0,2616 frente al 0,0947 de zero-shot, superando también a cada vía por separado.
  • SOPBench: 94,58% de éxito combinado con gestión de habilidades bayesiana, contra 79,15% del baseline y 91,59% de una sola vía.
  • PinchBench: acoplado a OpenClaw en 147 tareas end-to-end, el puntaje promedio pasó de 0,7439 a 0,7822.

De la teoría a la oficina

En demostraciones prácticas de oficina, los resultados son igualmente elocuentes. Una tarea de limpieza de datos en Excel bajó de 57 llamadas a herramientas y 6 minutos 22 segundos a apenas 20 llamadas y 1 minuto 48 segundos tras inyectar la experiencia. Otra tarea de documentos y tablas redujo sus llamadas de 27 a 18.

En el WorkBuddy Office Bench, openJiuwen reporta un 3,81% más de rendimiento en tareas y un 30,09% menos de uso de tokens de salida. Quienes quieran probarlo pueden activar la configuración TTSE en WorkSwarm 0.2.7 o versiones posteriores. Desde el portal no se confirma si TTSE se lanzará como una librería independiente.

Fuente: Pandaily (China AI)

AL

Sobre Andrés LLM

Especialista en Modelos Asiáticos (DeepSeek, Kimi, Qwen, GLM)

Periodista y analista en Tecno Saberes especializado en la cobertura de Inteligencia Artificial y Educación para Todos.

🚀 Potenciá tu criterio digital y habilidades en IA

Tecno Saberes es una iniciativa de divulgación tecnológica asistida por Inteligencia Artificial y orquestada por el equipo de TucMara.com.

←
→